[发明专利]基于云系相似度权重分配的变压器状态参量组合预测方法

说明书

本发明公开了一种基于云系相似度权重分配的变压器状态参量组合预测方法，包括：采集获取变压器运行产生的状态参量时序数据构成原始时序数据流X，并将其划分为训练集X_tr、验证集X_va以及测试集X_te；利用训练集X_tr构造获得独立模型训练元组Ω＝{U,V}，并用其对M个预选定的独立预测模型进行训练，获取训练后的M个独立预测模型对于验证集X_va的预测结果以及对于测试集X_te的预测结果将X_va及转化为正态云系；计算两云系相同位置云模型间的重叠面积以得到其相似度，进而获得云系间整体相似度；依据云系间整体相似度向各独立预测模型分配预测权重，结合预测结果获取最终组合预测结果。本发明相比于现有预测方法具有更高的预测精度与容错率。

技术领域

本发明属于变压器状态监测技术领域，涉及一种变压器状态参量组合预测方法，特别涉及一种基于云系相似度权重分配的变压器状态参量组合预测方法。

背景技术

状态参量在线监测是开展变压器状态监测的重要基础。然而，目前变压器状态参量在线监测离变压器全面状态检修的实现尚有差距，其中一个重要原因是不能随时获得准确的状态参量数值。根据己有的状态参量数值预测其变化，是变压器状态在线监测中十分重要且必要的补充，也是预警变压器故障的重要手段。其意义在于，通过预测变压器状态参量变化，就能够应用各故障分析技术提前对变压器的绝缘状况做出诊断，并以此对变压器进行跟踪和安排检修，能够减少事故发生，保证电力系统的安全稳定运行。

目前，典型的预测方法包括滑动平均模型、神经元网络、函数逼近、遗传规划、最小二乘支持向量机等。然而，变压器状态参量时间序列数据的高随机性意味着无法使用单一模型完成时序数据序列的预测，即各模型存在各自最优适配情况。根据时间序列不同的分布特性设计或选择合适的模型进行拟合是重要的研究点。考虑到既定模型对数据形式的敏感性，有必要研究针对时序数据序列的新的组合预测方法，即获取多个预测模型针对同一原始序列的预测结果，并根据不同表征算法涉及的相似度评价方法对上述预测结果进行评价，择优或组合选择若干预测模型，最大化组合预测模型的拟合精度。

线性组合预测是一类较为常用的建模方式，其目标是通过统计学分析或优化方法确定各独立模型预测结果所占权重，并采用线性加权累加方式得到最终组合预测结果。这种方法主要依据独立模型预测精度确定其权重占比，并未考虑不同独立模型预测时序流的分布特性与形状信息，而这些信息往往隐含着不同模型针对同一数据模式的不同反馈特性。

综上，亟需一种新型的变压器状态参量组合预测方法。

发明内容

本发明的目的在于提供一种基于云系相似度权重分配的变压器状态参量组合预测方法，以解决由于变压器状态参量时间序列数据的高随机性导致无法获取单一最优适配预测模型的问题。

为达到上述目的，本发明采用以下技术方案：

一种基于云系相似度权重分配的变压器状态参量组合预测方法，包括以下步骤：

S1，采集获取变压器运行产生的状态参量时序数据，构成原始时序数据流X；

S2，将步骤S1获得的原始时序数据流X划分为训练集X_tr、验证集X_va以及测试集X_te，并利用训练集X_tr构造独立模型训练元组Ω＝{U,V}；

S3，利用步骤S2构造的训练元组Ω＝{U,V}对M个预选定的独立预测模型进行训练，获取训练后的M个独立预测模型对于验证集X_va的预测结果以及对于测试集X_te的预测结果

S4，对验证集X_va及其预测结果进行分段，并利用反向正太云发生器获取各序列片段的云参数，将X_va及转化为正态云系；